Optimal Embeddedness and Governance in Biotech Venture Capital Syndicates
Notice bibliographique
Résumé
The biotech venture market faces intense capital demands and regulatory scrutiny, yet academic research on VC networks remains rooted in software and consumer-tech contexts. This dissertation investigates how repeated co-investment ties and domain-expertise homophily influence a venture's exit likelihood, timing, and route amid the sector's pronounced technological and market uncertainty. Using a novel panel of 11,680 biotechnology start-ups from the United States, Canada, and Europe (2010-2024), we apply pooled logit, Cox proportional-hazards, multinomial logit, and Fine-Gray competing-risk models. Our findings show that both average prior co-investment and investor homophily exhibit robust inverted-U relationships with exit outcomes. Moderate familiarity and scientific overlap maximize exit probability, while either sparse or excessive embedding reduces success. Governance mechanisms also play a crucial role: participation of a pharmaceutical corporate VC or a highly independent board flattens the negative effects of over-embedding, enabling syndicates to sustain exit momentum at higher levels of familiarity or homogeneity. Furthermore, the optimal degree of embeddedness is route-specific: IPOs require deeper coordination than trade sales, while acquisitions peak earlier and are less sensitive to homophily. These findings refine network-embeddedness theory in the life-science context, identify governance contingencies, and offer practitioners quantitative metrics to balance trust, expertise, and oversight in biotech financing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».